Zurich Tram Flow

MotivationÖffentliche Verkehrsmittel sind Alltagserlebnis. Verspätungen lassen sich nicht abstrakt erklären — sondern direkt erleben. Das macht sie zum idealen Subject für datengesteuerte Analyse und Vorhersage, mit nachhaltigem Impact für die Bevölkerung.

KernfrageSind Verspätungen im Zürcher Tramnetz vorhersagbar? Ja — weil sie im Fahrplan-Design verankert sind. 71,3 % aller Haltestellen haben 0 s dwell_time (keinen Puffer). Das ist kein Wetter- oder Event-Problem, sondern ein strukturelles Design-Problem.

Identifikation & Ursachen6 Analysedimensionen (Temporal · Spatial · Network · Meteorology · Events · Target) offenbaren die Struktur: Periphere Korridore mit höchsten Delays · Pearson r ≥ 0,85 Delay-Kaskade zwischen aufeinanderfolgenden Halten · Schnee +54 s Effekt geografisch separierbar von Regen. 66 strukturierte Findings dokumentieren Patterns und Hebel.

ErgebnisseLightGBM v2 erreicht 18,56 s MAE (−63 % vs. Baseline). Das Modell bestätigt die Analyse: Delay ist vorhersagbar, weil es strukturell ist. 4 Datenquellen über 94,4 M Halt-Ereignisse (2023–2025).

Data CycleData Engineering (4 Quellen) → Data Analysis (6 Dimensionen) → Data Science (Modell) → Data Storytelling (Präsentationen, Dashboard, Insights).